电动汽车驾驶员制动意图识别方法研究

作     者：周恒平 

作者单位：太原理工大学 

学位级别：硕士

导师姓名：牛志刚;刘宝乾

授予年度：2020年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题：电动汽车 再生制动 模式识别 神经网络 制动意图 

摘      要：当前汽车工业面临着能源与环境的种种挑战,各国政府以及汽车企业都开始大力发展电动汽车。虽然电动汽车污染少、效率高、绿色可持续的优势明显,但目前仍存在着初始成本高和续驶里程短的问题。再生制动系统中,通过制动意图识别制动状态为制动力控制提供依据,从而回收制动能量,是电动汽车的一条重要的节能途径。同时,准确识别驾驶员意图是汽车一系列电子控制系统稳定工作的关键,对汽车工业实现电控化、网联化、智能化的发展具有重要的意义。在项目“基于能量再生的电动汽车机电协调制动控制研究中,为了更准确、实时地识别驾驶员制动意图,实现稳定的再生制动功能,本文通过研究车辆行驶状况和驾驶员操作特性,对制动意图进行分类表征;通过分析再生制动系统结构和理论,对特征参数进行了选取;最后,基于神经网络模型提出了一种驾驶员制动意图的识别方法,并验证了模型的识别效果。论文主要进行了以下研究工作:综合分析驾驶员制动意图的识别理论基础,其识别的实质是一种模式的识别,通过对比四种典型的模式识别方案选择神经网络模式识别作为制动意图识别的理论方法。在电动汽车制动过程中,驾驶员制动意图是制定相应的复合制动控制策略的重要依据。分析了再生制动结构原理,能量回收潜力和影响因素,以及电动机控制策略的特性。并研究了制动意图类别与制动系统参数之间的关联。根据不同工况下各个典型意图的特点,模拟试验获取特征参数数据,基于制动踏板位移及其变化率两个参数建立了驾驶员制动意图的BP神经网络识别模型。基于邻域成分分析和极限学习机算法优化制动意图模型的识别速率与精度。首先,对制动相关的特征参数进行邻域成分分析,选取制动踏板位移及其变化率和制动踏板力三个识别参数。然后,运用极限学习机理论建立包含单隐层神经网络的制动意图识别模型。最后,优化模型并利用试验数据验证模型识别准确率达到95.56%,用时为0.18s,表明极限学习机优化的制动意图模型具有较好的识别准确率和实时性。最后根据项目的总体目标要求,将优化的驾驶员制动意图识别模型嵌入到再生制动系统中,设计基于制动意图的再生制动台架试验方案评估模型对于能量回收的效果。